Optimising Instrumented Mouthguard Data Analysis: Video Synchronisation Using a Cross-correlation Approach
Notice bibliographique
Résumé
PURPOSE: Head acceleration events (HAEs) are a growing concern in contact sports, prompting two rugby governing bodies to mandate instrumented mouthguards (iMGs). This has resulted in an influx of data imposing financial and time constraints. This study presents two computational methods that leverage a dataset of video-coded match events: cross-correlation synchronisation aligns iMG data to a video recording, by providing playback timestamps for each HAE, enabling analysts to locate them in video footage; and post-synchronisation event matching identifies the coded match event (e.g. tackles and ball carries) from a video analysis dataset for each HAE, this process is important for calculating the probability of match events resulting in HAEs. Given the professional context of iMGs in rugby, utilising commercial sources of coded match event datasets may expedite iMG analysis. METHODS: Accuracy and validity of the methods were assessed via video verification during 60 rugby matches. The accuracy of cross-correlation synchronisation was determined by calculating synchronisation error, whilst the validity of post-synchronisation event matching was evaluated using diagnostic accuracy measures (e.g. positive predictive value [PPV] and sensitivity). RESULTS: Cross-correlation synchronisation yielded mean synchronisation errors of 0.61-0.71 s, with all matches synchronised within 3 s' error. Post-synchronisation event matching achieved PPVs of 0.90-0.95 and sensitivity of 0.99-1.00 for identifying correct match events for SAEs. CONCLUSION: Both methods achieved high accuracy and validity with the data sources used in this study. Implementation depends on the availability of a dataset of video-coded match events; however, integrating commercially available video-coded datasets offers the potential to expedite iMG analysis, improve feedback timeliness, and augment research analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».